一种高速铁路列车阶段调整方法与系统与流程

1.本发明涉及高速铁路列车智能调度技术领域，具体涉及一种高速铁路列车阶段调整方法与系统。


背景技术：

2.高速铁路是一套复杂且规模庞大的系统。相对于普速铁路，旅客对高速铁路的正点率有更高的要求，但受恶劣气象、地质灾害、乘客滞留等突发事件的影响，高铁运营过程中难免会出现列车运行晚点的情况。高速铁路列车的晚点，会给旅客带来极大的不便，降低旅客满意度，甚至衍生负面社会效应。高速铁路列车运行速度快，部分热点线路运行能力接近饱和，虽然已经采取了调度集中系统(centralized traffic control system，ctc)提高调度的工作效率，但目前还主要停留在办公自动化层次，类似列车阶段调整计划的制定等“知识型”工作还是以人工凭经验为主，响应慢的同时人工难以考虑到所有可行方案并进行优化，已难以满足旅客需求。因此在突发事件导致列车晚点时，如何利用新一代信息技术，提高高速铁路列车晚点延迟的恢复能力是目前高速铁路列车调度中的重要问题，亟待解决。
3.从列车运行图的角度来看高速铁路列车运行晚点，其本质就是列车实际运行图偏离了计划运行图。列车偏离计划运行图的程度反映了晚点的严重程度，直接影响高铁运输效率与安全。列车调度是当列车实际运行图偏离计划运行图而造成列车运行秩序紊乱时，依据列车运行计划信息、实际运行信息和突发事件、路况信息，调整列车运行计划，使列车运行尽可能恢复到原有运行计划，即尽可能减少实际运行图与计划运行图的偏差，这种偏差通常以通过能力、正点率等为衡量指标，同时也是列车运行调度的调整目标。
4.随着人工智能技术的发展，各种启发式算法陆续应用到高铁调度领域，启发式进化算法、动态规划算法、数据驱动算法和机器学习在解决列车调度问题上都有较好的效果，以上算法各有优势，对列车调度的研究起到了积极的推动作用，但在求解问题的过程中，也显露出来求解难度大、复杂度高、收敛速度慢的缺点。针对高速铁路列车调度问题中的约束条件多、解空间构造难度大、收敛速度要求高等特点，蚁群算法具有分布式并行搜索的特征，具有良好的搜索能力和很强的鲁棒性，而且解的构造过程具有可控性，容易与实际问题结合，大大降低了不可行解对求解过程的干扰，在一定程度上提高了算法的实用性和运算效率，符合列车调度问题对算法的要求。


技术实现要素：

5.本发明的目的是提供一种高速铁路列车阶段调整方法与系统，旨在列车因突发事件发生晚点时能有效减少晚点列车晚点时间和晚点列车的数量，减小经济损失和防止旅客满意度降低，为调度员在高铁列车调度和阶段计划调整时提供可供参考的可行方案。
6.本发明的技术方案是：
7.本发明第一方面提供一种高速铁路列车阶段调整方法，包括以下步骤：
8.步骤1：获取列车调度相关的静态线路信息和动态晚点信息；
9.所述静态线路信息，包括：受突发事件影响的列车总数m，列车编号为i∈s
train
＝{1,2,
…
,m}；受突发事件影响的车站总数为n，车站编号为j∈s
station
＝{1,2,
…
,n}；受突发事件影响的区间总数为b，区间编号为b∈s
block
＝{1,2,
…
,b}；最小区间运行时间最小停站时间最小出发间隔时间最小到达间隔时间列车运行计划时刻表；维修天窗开始时间t
q
；维修天窗结束时间t
z
；各车站到发线数量；列车启动附加时间列车停站附加时间
10.所述动态晚点信息，包括受突发事件影响列车型号、受突发事件影响的车站以及晚点时间；
11.步骤2：针对突发事件对列车造成的晚点，以受突发事件影响列车的总晚点时间f最小为目标，考虑高速铁路列车调度中的约束条件，根据静态线路信息和动态晚点信息建立高速铁路列车行车调度模型，包括目标函数和约束条件；
12.步骤3：根据高速铁路列车行车调度模型，利用改进蚁群算法确定受突发事件影响列车在受突发事件影响的每个车站的具体到发时刻，进而得到初始列车阶段调整计划；
13.步骤3.1：蚁群算法中的参数初始化；
14.步骤3.2：蚁群算法中的每只蚂蚁根据高速铁路列车行车调度模型里的约束条件确定受突发事件影响列车在受突发事件影响的每个车站的到发时刻范围；
15.步骤3.3：将相邻车站的到发时刻之间的连线及同一车站的发到时刻之间的连线均视为路径，利用蚁群算法中的蚂蚁对其各自所确定的到发时刻范围中的到发时刻所对应的路径进行搜索，每只蚂蚁搜索完所有受突发事件影响列车和所有受突发事件影响车站便得到一个可行解，即所有受突发事件影响列车在受突发事件影响的每个车站的具体到出发时刻，且在所有蚂蚁完成路径搜索，都得到一个可行解后，视为算法完成一次迭代；
16.步骤3.4：对路径上的信息素进行更新；
17.在当前迭代获得的所有可行解中，找到其中的最优解，并利用最优解所对应的最优路径上的信息对其他路径上的信息素进行全局更新；
18.步骤3.5：根据目标函数在迭代过程中的变化情况，判断是否满足蚁群算法改进条件，若否，则转至步骤3.6，若是，则对蚁群算法进行改进，改进完成后转至步骤3.6；
19.所述对蚁群算法进行改进，包括针对蚁群算法中的启发式因子组合(α,β)进行自适应调整和信息素挥发因子自适应调整两个方面的改进：
20.1)所述启发式因子组合(α,β)进行自适应调整的判断条件如下：
21.f[n]
‑
f[n
‑
1]≤ε1
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0022]
其中，n表示算法的当前迭代次数；ε是阈值，是一个取值较小的标量，由实验和经验确定；1
p
是一个p维列向量，其所有元素取值均为1；f[n]为式(20)所示的p维向量，代表离第n次迭代最近p次迭代的目标函数值；f[n
‑
1]为式(21)所示的p维向量，代表离第n
‑
1次迭代最近p次迭代的目标函数值；
[0023]
f[n]＝{f
*
[n
‑
p 1],
…
,f
*
[n
‑
1],f
*
[n]}
ꢀꢀꢀꢀꢀꢀꢀ
(20)
[0024]
f[n
‑
1]＝{f
*
[n
‑
p],
…
,f
*
[n
‑
2],f
*
[n
‑
1]}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0025]
其中，f
*
[n]表示蚁群在第n次迭代所搜索到的最佳目标函数值；f
*
[n
‑
1]表示蚁群在第n
‑
1次迭代所搜索到的最佳目标函数值；f
*
[n
‑
p 1]表示蚁群在第n
‑
p 1次迭代所搜索到的最佳目标函数值；f
*
[n
‑
p]表示蚁群在第n
‑
p次迭代所搜索到的最佳目标函数值；f
*
[n
‑
2]表示蚁群在第n
‑
2次迭代所搜索到的最佳目标函数值；
[0026]
当公式(19)所示的启发式因子组合(α,β)进行自适应调整的判断条件满足时，对信息启发式因子和期望启发式因子进行调整，调整方法如下：
[0027][0028]
其中，θ1与θ2的取值是一个常数，决定α和β变化的趋势，前期搜索以启发信息为主，因此前期β参数值较大，后期会相应减小，而后期为了增加算法的搜索性能，需逐渐增加α的参数值；α[n]表示第n次迭代时信息启发式因子的值；α[n 1]表示第n 1次迭代时信息启发式因子的值；β[n]表示第n次迭代时期望启发式因子的值；β[n 1]表示第n 1次迭代时期望启发式因子的值；
[0029]
2)信息素挥发因子自适应调整：当算法求得的目标函数连续n
equal
次迭代没有变化时，对信息素挥发因子做如下改进：
[0030][0031]
上式中，ρ(n)表示第n次迭代挥发因子的值；ρ(n 1)表示第n 1次迭代挥发因子的值；θ3是一个常数，决定挥发因子每次变化的大小；ρ
min
代表挥发因子的下限；
[0032]
步骤3.6：判断是否达到最大迭代次数，是，则停止路径搜索，输出最优解，得到受突发事件影响列车在受突发事件影响的每个车站的具体到发时刻，进而可得到初始列车阶段调整计划，否，则转至步骤3.2；
[0033]
步骤4：列车调度员获取步骤3得到的初始列车阶段调整计划，参考初始列车阶段调整计划确定最终的列车阶段调整计划。
[0034]
进一步地，根据所述的高速铁路列车阶段调整方法，步骤2中所述的高速铁路列车行车调度模型为：
[0035][0036]
s.t.
[0037][0038][0039][0040][0041][0042]
d
ji
≤t
q
∩a
(j 1),i
≤t
q
，(1≤i≤m,1≤j≤n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0043]
d
ji
≥t
z
∩a
(j 1),i
≥t
z
，(1≤i≤m,1≤j≤n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0044]
其中，ω
i
表示列车i的等级，决定了列车在运行调整时的权重；a
ji
和d
ji
分别表示列
车i在车站j的实际到达时刻和实际出发时刻；和分别表示列车i在车站j的计划到达时刻和计划出发时刻；a
(j 1)，i
表示列车i在车站j 1的实际到达时刻；表示列车i在车站j到车站j 1之间站间区间的最小区间运行时间，列车i在两相邻站，j站和j 1站之间的站间区间运行时间不能小于该站间区间的最小区间运行时间；表示0
‑
1变量，表示列车i在车站j是否停车，当列车停车时取1，否则取0；表示列车i在车站j的最小停留时间，列车i在车站j的停车时间受到最小停站时间的约束，其不得低于规定的在该站的最小停站时间；d
j，(i 1)
表示列车i 1在车站j的实际出发时刻；a
j，(i 1)
表示列车i 1在车站j的实际到达时刻；表示列车在车站j的最小出发间隔时间，为了安全要求，相邻的两车发车时间间隔要求不小于最小出发间隔时间；表示列车在车站j的最小到达间隔时间，相邻的两车到达时间间距要求不小于最小到达间隔时间；a
(j 1),i
表示列车i在车站j 1的实际到达时刻；t
q
和t
z
分别表示维修天窗开始时间和维修天窗结束时间。
[0045]
进一步地，根据所述的高速铁路列车阶段调整方法，所述步骤3.2进一步包括如下步骤：
[0046]
步骤3.2.1：确定列车i在j站的出发时刻；
[0047]
步骤3.2.2：利用静态线路信息、动态晚点信息和约束条件确定受突发事件影响列车i到达j 1站的到达时刻范围；
[0048]
步骤3.2.3：可利用最小停站时间约束条件和最小出发间隔时间约束条件确定列车i在j 1站的出发时刻范围。
[0049]
进一步地，根据所述的高速铁路列车阶段调整方法，步骤3.3中所述的每只蚂蚁对其所确定的到发时刻范围中的到发时刻所对应的路径进行搜索，包括如下步骤：
[0050]
步骤3.3.1：利用蚁群算法中的状态转移规则计算到发时刻范围内每个到发时刻的转移概率；
[0051]
步骤3.3.2：在计算出受突发事件影响列车在受突发事件影响的每个车站的到发时刻范围内每个时间点的转移概率后，通过轮盘赌法选择具体的出发时刻、到达时刻。
[0052]
本发明第二方面提供一种用于实施所述高速铁路列车阶段调整方法的高速铁路列车阶段调整系统，包括：
[0053]
数据源模块101：用于获取列车调度相关的静态线路信息和动态晚点信息，并将所获取的信息发送给信息参数配置模块102和人机交互模块104；所述静态线路信息包括列车总数、车站总数、区间总数、最小出发间隔时间、最小到达间隔时间、最小区间运行时间、最小停站时间、各车站到发线数量、列车启动附加时间、列车停站附加时间以及列车计划运行时刻表信息、维修天窗开始时间、维修天窗结束时间；所述动态晚点信息，包括受突发事件影响列车型号、受突发事件影响的车站和晚点时间；
[0054]
信息参数配置模块102：用于接收数据源模块101发送的静态线路信息和动态晚点信息，并对所接收的信息进行处理成为调度方案模块103可以识别的信息，即线路参数信息，并将线路参数信息发送给调度方案模块103；进行蚁群算法相关参数的配置，即对蚁群算法相关参数进行定义与初始化得到算法参数配置信息，将算法参数配置信息发送给调度
方案模块103；将线路参数信息和算法参数配置信息发送给人机交互模块104和仿真模块105；所述蚁群算法相关参数，包括蚂蚁总数、信息素强度、信息素挥发因子、迭代计数器、最大迭代次数、信息启发式因子和期望启发式因子；
[0055]
调度方案模块103：用于接收信息参数配置模块102发送的线路参数信息和算法参数配置信息；根据线路参数信息建立包括目标函数和约束条件的高速铁路列车行车调度模型；利用高速铁路列车行车调度模型里的约束条件确定受突发事件影响列车在受突发事件影响的每个车站的到发时刻范围；根据所述到发时刻范围，确定受突发事件影响列车在受突发事件影响的每个车站的具体到发时刻，进而确定初始列车阶段调整计划，并将初始列车阶段调整计划发送到人机交互模块104；
[0056]
人机交互模块104：用于显示调度数据信息，并用于调度员在该模块上直接查询并获取调度数据信息；用于调度员在该模块修改相关调度数据信息，对初始列车阶段调整计划进行调整得到最终的列车阶段调整计划并将其发送给仿真模块105；所述调度数据信息，包括数据源模块101发送的列车调度相关的静态线路信息和动态晚点信息、信息参数配置模块102发送的线路参数信息和算法参数配置信息以及调度方案模块103发送的初始列车阶段调整计划；
[0057]
仿真模块105：用于接收信息参数配置模块102所发送的线路参数信息和算法参数配置信息，以及人机交互模块104中调度员所下达的最终的列车阶段调整计划；通过该模块对最终的列车阶段调整计划进行验证。
[0058]
本发明的有益效果如下：
[0059]
1、本发明提供的高速铁路列车阶段调整系统可以对路况信息进行实时监督，当突发事件发生时，系统将根据涉及路段的数据信息和晚点信息自动制定列车阶段调整计划，列车调度员可以参考系统所提供的调度方案，确定最终的调度方案。
[0060]
2、本发明提供的高速铁路列车阶段调整方法是基于改进蚁群算法来实现高速铁路列车行车调度优化，将含有到发间隔、越行等多约束的列车运行时间调整问题建模成为三维空间上的最佳路径搜索问题，并把约束条件和启发函数相结合，为调度员提供可参考的列车调整计划，减小了调度员的压力与繁重工作量。且相比较于调度员人工调度，本方法能有效减小晚点列车对整个铁路系统所造成的影响，提高旅客满意度。
附图说明
[0061]
图1为本发明高速铁路列车阶段调整系统的结构框图；
[0062]
图2为本发明高速铁路列车阶段调整方法的流程图；
[0063]
图3为本发明实施例提供的高速铁路线路模型图；
[0064]
图4为本发明实施例提供的高速铁路列车计划运行图；
[0065]
图5为本发明实施例提供的经过本发明方法调整得到的高速铁路列车实际运行图；
[0066]
图6为本发明方法中提出的改进蚁群算法与基本蚁群算法的收敛情况对比图。
具体实施方式
[0067]
下面结合附图和具体实施例，对本发明进行详细说明，以下实施例用于本发明，但
并不因此将本发明的保护范围限制在实施例的范围之内。
[0068]
图1是本发明高速铁路列车阶段调整系统的结构框图，所述高速铁路列车阶段调整计划优化系统，包括：数据源模块101、信息参数配置块102、调度方案模块103、人机交互模块104和仿真模块105。
[0069]
所述数据源模块101：用于获取列车调度相关的静态线路信息和动态晚点信息；将所获取的信息发送给信息参数配置模块102，作为信息参数配置模块102的输入信息进行线路信息的参数配置；将所获取的信息发送给人机交互模块104，供调度员查询搜索使用；所述静态线路信息包括列车总数、车站总数、区间总数、最小出发间隔时间、最小到达间隔时间、最小区间运行时间、最小停站时间、各车站到发线数量、列车启动附加时间、列车停站附加时间以及列车计划运行时刻表信息、维修天窗开始时间、维修天窗结束时间。所述动态晚点信息，包括受突发事件影响列车型号、受突发事件影响的车站和晚点时间。
[0070]
所述信息参数配置模块102：一方面用于接收数据源模块101发送的静态线路信息和动态晚点信息，并对所接收的信息参数进行处理成为调度方案模块103可以识别的信息，即线路参数信息，并将线路参数信息发送给调度方案模块103，作为其输入信息。例如，高铁调度所采用的是按分钟调度的方法，所以系统计算时需要将列车运行时刻表上的24小时制的时间处理为分钟制，即将一天24小时划分成1440分钟；同时，进行蚁群算法相关参数的配置，即对蚁群算法相关参数进行定义与初始化得到算法参数配置信息，将算法参数配置信息发送给调度方案模块103；另一方面，将线路参数信息和算法参数配置信息发送给人机交互模块104，供调度员查询修改；同时，将线路参数信息和算法参数配置信息发送给仿真模块105，供搭建仿真场景使用；所述蚁群算法相关参数，包括蚂蚁总数、信息素强度、信息素挥发因子、迭代计数器、最大迭代次数、信息启发式因子和期望启发式因子。
[0071]
所述调度方案模块103：用于接收信息参数配置模块102发送的线路参数信息和算法参数配置信息；根据线路参数信息建立包括目标函数和约束条件的高速铁路列车行车调度模型；利用高速铁路列车行车调度模型里的约束条件确定受突发事件影响列车在受突发事件影响的每个车站的到发时刻范围；根据所述到发时刻范围，利用改进蚁群算法确定受突发事件影响列车在受突发事件影响的每个车站的具体到发时刻，进而确定初始列车阶段调整计划，并将初始列车阶段调整计划发送到人机交互模块104，列车调度员参考调度方案模块103生成的初始列车阶段调整计划，结合自身调度经验和调度专业知识确定最终的列车阶段调整计划。同时也将最终的列车阶段调整计划发送到仿真模块105，作为仿真模块105的输入信息。
[0072]
所述人机交互模块104：一方面用来显示调度数据信息，调度员可以在人机交互模块104上直接查询并获取调度数据信息；另一方面，调度员可以在人机交互模块104上修改相关调度数据信息，调度员根据自身经验和调度知识判断调度方案是否有明显冲突的地方，并且调度员有权人工对其作出修改，然后将调度员修改后得到的最终的列车阶段调整计划发送给仿真模块105；所述调度数据信息，包括数据源模块101发送的列车调度相关的静态线路信息和动态晚点信息、信息参数配置模块102发送的线路参数信息和算法参数配置信息以及调度方案模块103发送的列车阶段调整计划。
[0073]
所述仿真模块105：一方面用于接收信息参数配置模块102所发送的线路参数信息和算法参数配置信息，以及人机交互模块104中调度员所下达的最终的列车阶段调整计划；
另一方面，通过仿真模块验证最终的列车阶段调整计划在实际运行时是否有冲突。
[0074]
图2是采用上述高速铁路列车阶段调整系统的高速铁路列车阶段调整方法流程图，所述高速铁路列车阶段调整方法包括如下步骤：
[0075]
步骤1：获取列车调度相关的静态线路信息和动态晚点信息；
[0076]
所述静态线路信息，包括：受突发事件影响的列车总数m，列车编号为i∈s
train
＝{1,2,
…
,m}；受突发事件影响的车站总数为n，车站编号为j∈s
station
＝{1,2,
…
，n}；受突发事件影响的区间总数为b，区间编号为b∈s
block
＝{1,2,
…
,b}；最小区间运行时间最小停站时间最小出发间隔时间最小到达间隔时间列车运行计划时刻表；维修天窗开始时间t
q
；维修天窗结束时间t
z
；各车站到发线数量；列车启动附加时间列车停站附加时间所述动态晚点信息，包括受突发事件影响列车型号、受突发事件影响的车站以及晚点时间。
[0077]
本实施例选取沈阳北至长春西区段的高速铁路列车运行场景进行实验仿真，该运行场景的列车运行计划时刻表如表1所示，该运行场景中共有8个车站，因此n＝8，依次为沈阳北、六王屯、铁岭西、开原西、昌图西、四平东、公主岭南和长春西，仿真对象为20：00至22：30之间在线路上运行的若干列车。线路模型如图3所示，在高铁线路模型中，将上一车站的出发时刻至下一车站的到达时刻所处的区间定义为站间区间，将每个车站的到达时刻至该车站的出发时刻所处的区间定义为站内区间，站间区间与站内区间统称为区间。由于站内区间与站间区间除了约束条件不同，其他并无差别，所以本发明实施例中将站内区间与站间区间等同处理。
[0078]
表1列车计划运行时刻表
[0079][0080]
本实施例中最小出发间隔时间和最小到达间隔时间各车站的最小停站时间和与各站间区间的最小区间运行时间如表2所示。
[0081]
表2最小停站时间和最小区间运行时间
[0082][0083][0084]
步骤2：针对突发事件对列车造成的晚点，根据静态线路信息和动态晚点信息建立高速铁路列车行车调度模型，包括目标函数和约束条件；
[0085]
为了减小列车的实际运行图与计划运行图的偏差，设置受突发事件影响列车的总晚点时间f最小为目标函数，并针对调度区段，考虑高速铁路列车调度中的各种约束条件，建立高速铁路列车行车调度模型：
[0086][0087]
s.t.
[0088][0089][0090][0091][0092][0093]
d
ji
≤t
q
∩a
(j 1),i
≤t
q
,(1≤i≤m,1≤j≤n)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0094]
d
ji
≥t
z
∩a
(j 1),i
≥t
z
,(1≤i≤m,1≤j≤n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0095]
其中，ω
i
表示列车i的等级，决定了列车在运行调整时的权重；a
ji
和d
ji
分别表示列车i在车站j的实际到达时刻和实际出发时刻；和分别表示列车i在车站j的计划到达时刻和计划出发时刻；a
(j 1),i
表示列车i在车站j 1的实际到达时刻；表示列车i在车站j到车站j 1之间站间区间的最小区间运行时间，列车i在两相邻站，j站和j 1站之间的站间区间运行时间不能小于该站间区间的最小区间运行时间；表示0
‑
1变量，表示列车i在车站j是否停车，当列车停车时取1，否则取0；表示列车i在车站j的最小停留时间，列车i在车站j的停车时间受到最小停站时间的约束，其不得低于规定的在该站的最小停站时间；d
j，(i 1)
表示列车i 1在车站j的实际出发时刻；a
j,(i 1)
表示列车i 1在车站j的实际到达时刻；表示列车在车站j的最小出发间隔时间，为了安全要求，相邻的两车发车时间间隔要求不小于最小出发间隔时间；表示列车在车站j的最小到达间隔时间，相邻的两车到达时间间距要求不小于最小到达间隔时间；a
(j 1),i
表示列车i在车站j 1的实际到达时刻；t
q
，t
z
分别表示维修天窗开始时间和维修天窗结束时间。
[0096]
步骤3：根据高速铁路列车行车调度模型，利用改进蚁群算法确定受突发事件影响列车在受突发事件影响的每个车站的具体到发时刻，进而得到初始列车阶段调整计划；
[0097]
步骤3.1：蚁群算法参数初始化；
[0098]
定义蚁群算法中的各项参数并对其中的部分参数进行初始化设置。所述蚁群算法的各项参数包括蚂蚁总数k、信息素强度q、信息素挥发因子ρ、迭代计数器n、最大迭代次数、信息启发式因子α、期望启发式因子β。在本实施例中，将蚂蚁个数设为60，信息素强度q设置为500；最大迭代次数设置为100。
[0099]
步骤3.2：蚁群算法中的每只蚂蚁根据高速铁路列车行车调度模型里的约束条件确定受突发事件影响列车在受突发事件影响的每个车站的到发时刻范围；
[0100]
目前高铁调度采用的是按分钟调整，将一天24小时划分成1440分钟，因此理论上，
列车在某个车站到发时刻的可选空间是{1,2,3,
…
1440}。高铁列车行车调度的时间调整问题可以建模为一个在(j,i,t)三维空间中，给定列车集合s
train
＝{1,2,3,
……
,m}，车站集合s
tation
＝{1,2,3
……
,n}，受突发事件影响列车在受突发事件影响的车站的到发时刻范围{(j，i，t)|i∈s
train
，t∈{1,
…
,1440}}，从后继的到发时刻范围{(j 1,i,t)|j∈{2,
…
,n},i∈s
train
,t∈{1,
…
,1440}}中为每个列车搜寻一条满足所有约束条件的行车路径，并使得目标函数最小。值得指出的是，按照每天的最多1440个到发时刻，对于n个车站的线路，即使对单个列车调度而言，理论上路径的总数就可高达1440
n
，对于计算求解是个很大的挑战。为了提高效率，本方法首先利用高速铁路列车行车调度模型里的约束条件求出受突发事件影响列车在每个受突发事件影响的车站的到发时刻范围，然后利用蚁群算法在所述到发时刻范围里求出具体的出发和到达时刻。
[0101]
步骤3.2.1：确定列车i在j站的出发时刻(j,i,d
ji
)；
[0102]
步骤3.2.2：利用静态线路信息、动态晚点信息和约束条件确定受突发事件影响列车i到达j 1站的到达时刻范围；
[0103][0104]
其中，为列车i从车站j的d
ji
时刻出发，到达j 1站的最早时间，根据公式(10)由车站j车站j 1之间的最小区间运行时间确定；表示列车i从车站j的d
ji
时刻出发，到达j 1站的最晚时间，按照公式(11)进行确定。
[0105][0106]
上式中，是先于列车i到达车站j 1的前序列车的集合；a
(j 1)，k
表示列车k在车站j 1的实际到达时刻；是列车i和列车k在j 1站的到达间隔时间约束；
[0107][0108]
上式中，表示列车i在车站j和车站j 1之间的区间运行时间。
[0109]
步骤3.2.3：可利用最小停站时间约束条件和最小出发间隔时间约束条件确定列车i在j 1站的出发时刻范围。
[0110][0111]
其中，为列车i在j 1车站的出发时刻(j，i，d
(j 1)，i
)，加上在j 1站停留的最小时间，按照公式(13)由车站j 1的站内最小停站时间确定。
[0112][0113]
上式中，是先于列车i到达车站j 1的前序列车的集合，是列车i和列车k在j 1站的出发间隔时间约束。列车i到达j 1站的最晚时间定义如下：
[0114][0115]
上式中，γ
(j 1)，i
表示列车i在j 1站的停站时间。
[0116]
步骤3.3：将相邻车站的到发时刻及同一车站的发到时刻之间的连线均视为路径，
利用蚁群算法中的蚂蚁对其各自所确定的到发时刻范围中的到发时刻所对应的路径进行搜索，每只蚂蚁搜索完所有受突发事件影响列车和所有受突发事件影响车站便得到一个可行解，即所有受突发事件影响列车在受突发事件影响的每个车站的具体到出发时刻，且在所有蚂蚁完成路径搜索，都得到一个可行解后，视为算法完成一次迭代。
[0117]
每只蚂蚁对其所确定的到发时刻范围中的到发时刻所对应的路径进行搜索包括如下步骤：
[0118]
步骤3.3.1：利用蚁群算法中的状态转移规则计算到发时刻范围内每个到发时刻的转移概率，具体公式如下。
[0119][0120]
上式中,α为信息启发式因子,表示信息素重要程度的参数；β为期望启发式因子,表征启发信息重要程度的参数；μ
ji
(t，t
next
)表示列车i在车站j从t时刻出发在t
next
时刻到达j 1站的路径上的启发信息；表示列车i在车站j 1的到达时刻范围。
[0121]
步骤3.3.2：在计算出受突发事件影响列车在受突发事件影响的每个车站的到发时刻范围内每个时间点的转移概率后，通过轮盘赌法选择具体的出发时刻、到达时刻，即d
ji
与a
ji
。
[0122]
步骤3.4：对路径上的信息素进行更新。
[0123]
在所有蚂蚁完成路径搜索，都得到一个可行解后，视为算法完成一次迭代。在当前迭代获得的所有可行解中，找到其中的最优解，并利用最优解所对应的最优路径上的信息对其他路径上的信息素进行全局更新，具体更新规则如下：
[0124][0125]
其中，n表示迭代次数；ρ表示信息素挥发因子，为了防止信息素的无限积累，v取值(0，1)，这样随着时间的推移，旧的信息素会逐渐淡化消失，则1
‑
ρ表示信息素残留因子，信息素挥发因子的引入可以有效的缓解算法收敛到局部最优的情况，增加算法搜索的随机性能；表示第n次迭代结束时，从(j，i,t)到(j 1，i，t
next
)的路径上的信息素改变量，其定义如下：
[0126][0127][0128]
其中，表示第k只蚂蚁在第n次迭代中留在路径上的信息量；q表示信息素强度，是一个常数；t
k
表示当前总的晚点时间，由式(18)所示的信息素更新规则可以看出t
k
越小，解的质量越好，则在该搜索路径上留下的信息素越多。
[0129]
步骤3.5：根据目标函数在迭代过程中的变化情况，判断是否满足蚁群算法改进条件，若否，则转至步骤3.6，若是，则对蚁群算法进行改进，改进完成后转至步骤3.6；
[0130]
所述对蚁群算法进行改进，包括针对蚁群算法中的启发式因子组合(α，β)进行自适应调整和信息素挥发因子自适应调整两个方面的改进。
[0131]
1)所述启发式因子组合(α,β)进行自适应调整的判断条件如下：
[0132]
f[n]
‑
f[n
‑
1]≤ε1
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0133]
其中，n表示算法的当前迭代次数；ε是阈值，是一个取值较小的标量，由实验和经验确定；1
p
是一个p维列向量，其所有元素取值均为1；f[n]为式(20)所示的p维向量，代表离第n次迭代最近p次迭代的目标函数值；f[n
‑
1]为式(21)所示的p维向量，代表离第n
‑
1次迭代最近p次迭代的目标函数值。
[0134]
f[n]＝{f
*
[n
‑
p 1]，
…
，f
*
[n
‑
1],f
*
[n]}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(20)
[0135]
f[n
‑
1]＝{f
*
[n
‑
p],
…
，f
*
[n
‑
2]，f
*
[n
‑
1]}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0136]
其中，f
*
[n]表示蚁群在第n次迭代所搜索到的最佳目标函数值；f
*
[n
‑
1]表示蚁群在第n
‑
1次迭代所搜索到的最佳目标函数值；f
*
[n
‑
p 1]表示蚁群在第n
‑
p 1次迭代所搜索到的最佳目标函数值；f
*
[n
‑
n]表示蚁群在第n
‑
p次迭代所搜索到的最佳目标函数值；f
*
[n
‑
2]表示蚁群在第n
‑
2次迭代所搜索到的最佳目标函数值。
[0137]
当公式(19)所示的启发式因子组合(α，β)进行自适应调整的判断条件满足时，对信息启发式因子和期望启发式因子进行调整，调整方法如下：
[0138][0139]
其中，θ1与θ2的取值是一个常数，决定α和β变化的趋势，前期搜索以启发信息为主，因此前期β参数值较大，后期会相应减小。另外，后期为了增加算法的搜索性能，会逐渐增加α的参数值；α[n]表示第n次迭代时信息启发式因子的值；α[n 1]表示第n 1次迭代时信息启发式因子的值；β[n]表示第n次迭代时期望启发式因子的值；β[n 1]表示第n 1次迭代时期望启发式因子的值。
[0140]
2)信息素挥发因子自适应调整：在基本蚁群算法中信息素挥发因子保持不变，为了增加算法的随机性，防止算法收敛在局部最优，当算法求得的目标函数连续n
equal
次迭代没有变化时，对信息素挥发因子做如下改进：
[0141][0142]
上式中，ρ(n)表示第n次迭代挥发因子的值；ρ(n 1)表示第n 1次迭代挥发因子的值。在本实例中，θ3是一个常数，决定挥发因子每次变化的大小，本实施例中取值为0.9；本实施例中n
equal
设为10，挥发因子ρ的初始值设为0.7，挥发因子的下限ρ
min
设置为0.3。
[0143]
步骤3.6：判断是否达到最大迭代次数，是，则停止路径搜索，输出最优解，得到受突发事件影响列车在受突发事件影响的每个车站的具体到发时刻，进而可得到初始列车阶段调整计划，否，则转至步骤3.2。
[0144]
步骤4：列车调度员获取步骤3得到的初始列车阶段调整计划，参考初始列车阶段调整计划并结合自身调度经验和调度知识确定最终的列车阶段调整计划。
[0145]
本实例所选取的沈阳北站至长春西区段的高速铁路列车运行场景的计划运行图如图4所示，通过实施本发明方法得到的该运行场景的实际运行图如图5所示，图5中g399列车在晚点34分钟后，能够通过本发明方法中改进蚁群算法的实施尽可能缩短站内停车时间与站间运行时间来尽可能恢复列车正常的运行计划，在对其他列车正常运行影响较小的情况下，g399列车到达最后一站时仅晚点17分钟。g8023次列车与d23次列车虽然在中途受到
影响而晚点，但是经过本发明方法调整后在终点站前也恢复了正常运行。本发明方法中改进蚁群算法与基本蚁群算法仿真结果的对比如图6所示，图中显示了在相同高速铁路列车运行场景下基本蚁群算法与改进蚁群算法的收敛情况。其中基本蚁群算法收敛在460min，改进蚁群算法最终收敛在446min，因此，改进蚁群算法的收敛效果要优于基本蚁群算法。从图5与图6可以看出本发明方法适用于高速铁路列车调度的优化，通过与基本蚁群算法的对比验证了本发明方法的优越性。
[0146]
以上具体实施方式是为了说明本发明的技术思路与特点，其目的在于让对本发明有兴趣的人可以了解本发明的内容并据以实施，但不用来限制本发明的范围。凡根据本发明所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。